数据质量问题

常见数据质量问题：数据延迟、样本丢失、重复记录、异常值。这些问题可能导致实验结果偏差，甚至得出错误结论。

数据验证机制

建立数据验证机制：分流验证确保分配正确，事件验证确保采集完整，指标验证确保计算准确。自动化验证提高效率。

异常数据处理

识别异常数据：极端值、机器流量、测试账户。处理方法包括过滤、修正、标记。需平衡数据完整性与异常处理。

一致性检查

检查数据一致性：分流比例是否均衡，指标变化是否合理，细分数据是否一致。发现异常需及时调查原因。